Spark-SQL核心编程（二）(三)

Spark-SQL核心编程（二）

DSL 语法 
DataFrame 提供一个特定领域语言(domain-specific language, DSL)去管理结构化的数据。 可以在 Scala, Java, Python 和 R 中使用 DSL，使用 DSL 语法风格不必去创建临时视图了。
1.创建一个 DataFrame
val df1 = spark.read.json("D:\\bao\\spark\\spark-3.0.0-bin-hadoop3.2\\bin\\data\\user.json")

 查看 DataFrame 的 Schema 信息

df.printSchema

 只查看"username"列数据

df.select("username").show()

 4.查看"username"列数据以及"age+1"数据
注意:涉及到运算的时候, 每列都必须使用$, 或者采用引号表达式：单引号+字段名
第一种方法
df.select($"username",$"age" + 1).show

 第二种方法

df.select('username, 'age + 1).show()

 5. 查看"age"大于"18"的数据

df.filter($"age">18).show

 按照"age"分组，查看数据条数

df.groupBy("age").count.show

 

 RDD 转换为 DataFrame

在 IDEA 中开发程序时，如果需要 RDD 与 DF 或者 DS 之间互相操作，那么需要引入 import spark.implicits._ 这里的 spark 不是 Scala 中的包名，而是创建的 sparkSession 对象的变量名称，所以必 须先创建 SparkSession 对象再导入。这里的 spark 对象不能使用 var 声明，因为 Scala 只支持 val 修饰的对象的引入。

spark-shell 中无需导入，自动完成此操作。

val idRDD = sc.textFile("data/id.txt")

 展示 idRDD.toDF("id").show

实际开发中，一般通过样例类将 RDD 转换为 DataFrame

case class User(name:String, age:Int)

 

 DataFrame 转换为 RDD

DataFrame 其实就是对 RDD 的封装，所以可以直接获取内部的 RDD

val df = sc.makeRDD(List(("zhangsan",30),("lisi",40))).map(t=>User(t._1, t._2)).toDF

 val rdd = df.rdd 

val array = rdd.collect 

array(0) 

array(0)(0)

  

 

array(0).getAs[String]("name")

 Spark-SQL核心编程（三）

创建 DataSet

1. 使用样例类序列创建 DataSet

case class Person(name: String, age: Long)

 

 val caseClassDS = Seq(Person("zhangsan",2)).toDS() 

caseClassDS.show

 

使用基本类型的序列创建 DataSet

val ds = Seq(1,2,3,4,5).toDS

 

 注意：在实际使用的时候，很少用到把序列转换成DataSet，更多的是通过RDD来得到DataSet
RDD 转换为 DataSet
SparkSQL 能够自动将包含有 case 类的 RDD 转换成 DataSet，case 类定义了 table 的结 构，case 类属性通过反射变成了表的列名。Case 类可以包含诸如 Seq 或者 Array 等复杂的结构。
case class User(name:String, age:Int)

sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS

 

DataSet 转换为 RDD
DataSet 其实也是对 RDD 的封装，所以可以直接获取内部的 RDD
case class User(name:String, age:Int)
 
sc.makeRDD(List(("zhangsan",30), ("lisi",49))).map(t=>User(t._1, t._2)).toDS
 
val rdd = res3.rdd
 
rdd.collect
 
DataFrame 和 DataSet 转换
DataFrame 其实是 DataSet 的特例，所以它们之间是可以互相转换的。
DataFrame 转换为 DataSet
case class User(name:String, age:Int)
 
val df = sc.makeRDD(List(("zhangsan",30), ("lisi",49))).toDF("name","age")
 
val ds = df.as[User]
 
DataSet 转换为 DataFrame
val ds = df.as[User]
 
val df = ds.toDF
 
RDD、DataFrame、DataSet 三者的关系
在 SparkSQL 中 Spark 为我们提供了两个新的数据抽象，分别是 DataFrame 和 DataSet。他们 和 RDD 有什么区别呢？从版本的产生上来看：
Spark1.0 => RDD 
Spark1.3 => DataFrame
Spark1.6 => Dataset
如果同样的数据都给到这三个数据结构，他们分别计算之后，都会给出相同的结果。不同是的他们的执行效率和执行方式。在后期的 Spark 版本中，DataSet 有可能会逐步取代 RDD和 DataFrame 成为唯一的 API 接口。
三者的共性
1 RDD、DataFrame、DataSet 全都是 spark 平台下的分布式弹性数据集，为处理超大型数据提供便利;
2 三者都有惰性机制，在进行创建、转换，如 map 方法时，不会立即执行，只有在遇到
3 三者有许多共同的函数，如 filter，排序等;
4 在对 DataFrame 和 Dataset 进行操作许多操作都需要这个包:
import spark.implicits._（在创建好 SparkSession 对象后尽量直接导入）
5  三者都会根据 Spark 的内存情况自动缓存运算，这样即使数据量很大，也不用担心会内存溢出
6 三者都有分区（partition）的概念
7 DataFrame 和 DataSet 均可使用模式匹配获取各个字段的值和类型
三者的区别
1 RDD
 RDD 一般和 spark mllib 同时使用，RDD 不支持 sparksql 操作
2 DataFrame
 (1)与 RDD 和 Dataset 不同，DataFrame 每一行的类型固定为Row，每一列的值没法直接访问，只有通过解析才能获取各个字段的值
 (2)DataFrame 与 DataSet 一般不与 spark mllib 同时使用
 (3)DataFrame 与 DataSet 均支持 SparkSQL 的操作，比如 select，groupby 之类，还能注册临时表/视窗，进行 sql 语句操作
 （4）DataFrame 与 DataSet 支持一些特别方便的保存方式，比如保存成 csv，可以带上表头，这样每一列的字段名一目了然
3 DataSet
（1） Dataset 和 DataFrame 拥有完全相同的成员函数，区别只是每一行的数据类型不同。
DataFrame 其实就是 DataSet 的一个特例 type DataFrame = Dataset[Row]
（2） DataFrame 也可以叫 Dataset[Row],每一行的类型是 Row，不解析，每一行究竟有哪些字段，各个字段又是什么类型都无从得知，只能用上面提到的 getAS 方法或者共性里提到的模式匹配拿出特定字段。而 Dataset 中，每一行是什么类型是不一定的，在自定义了 case class 之后可以很自由的获得每一行的信息。